基于Transformer的毒素-蛋白相互作用分析：优先考虑潜在对健康有害的空气颗粒物成分
机器学习
2024-12-24 v1 生物大分子
摘要
空气污染，尤其是空气颗粒物(PM)，对全球公共健康构成严重威胁。了解PM相关毒性成分与其细胞靶点的关联对于理解空气污染如何影响健康以及建立空气污染与公共健康后果之间的因果关系至关重要。尽管已有许多研究探索了PM对人类健康的影响，但关于毒性成分及其关联靶点的关联理解仍有限。利用最前沿的深度学习技术，我们开发了tipFormer (基于Transformer的毒素-蛋白相互作用预测)，这是一种新型深度学习工具，用于识别能够渗透人类细胞并引发致病生物活动和信号级联反应的毒性成分。实验结果表明，tipFormer有效捕获了蛋白质与毒性成分的相互作用。它采用双预训练语言模型对蛋白质序列和化学品进行编码。它采用卷积编码器整合蛋白质和化学品的序列属性。随后引入带有跨注意力机制的学习模块，用于解码和阐明关键对于靶标蛋白质和化学品相互作用的多方位特征。实验结果表明，tipFormer有效捕获蛋白质与毒性成分的相互作用。该方法为空气质量和毒理学研究者提供了重要价值，使他们能够高通量识别和优先考虑危险品。它支持更有针对性的实验室研究和现场测量，从而增进我们对空气污染如何影响人类健康的理解。
关键词
引用
@article{arxiv.2412.16664,
title = {Transformer-based toxin-protein interaction analysis prioritizes airborne particulate matter components with potential adverse health effects},
author = {Yan Zhu and Shihao Wang and Yong Han and Yao Lu and Shulan Qiu and Ling Jin and Xiangdong Li and Weixiong Zhang},
journal= {arXiv preprint arXiv:2412.16664},
year = {2024}
}